早上好，哈布尔！
我们在预先通知中的文章标题中没有任何内容可添加 - 因此每个人都会立即被邀请去看猫。 阅读并发表评论。
移动开发专业人士将受益于当今所提供的革命性变化。 。 关键是这项技术对任何移动应用程序的增强程度如何，即它为用户提供了新的便利水平，并允许您积极使用强大的功能，例如，提供最准确的推荐， ，或立即检测 .
移动机器学习的快速发展是对经典机器学习中遇到的一些常见问题的回应。 其实一切都是显而易见的。 未来，移动应用程序将需要更快的数据处理和进一步减少延迟。
您可能已经想知道为什么 ，不能简单地在云端运行推理。 首先，云技术依赖于中心节点（想象一个拥有大量数据存储和强大计算能力的巨大数据中心）。 这种集中式方法无法处理足以创建由机器学习支持的流畅移动体验的处理速度。 数据必须集中处理，然后发送回设备。 这种方法需要时间、金钱，并且不能保证数据本身的隐私性。
因此，在概述了移动机器学习的这些主要优势之后，让我们仔细看看为什么我们眼前展开的机器学习革命应该引起您作为移动开发人员个人的兴趣。
减少延迟
移动应用程序开发人员知道，无论程序的功能有多好或品牌的声誉有多好，延迟的增加都可能成为程序的污点。 以前，在 Android 设备上有 ，因此视频和音频观看经常不同步。 同样，具有高延迟的社交媒体客户端可能会使通信对用户来说成为真正的折磨。
正是由于此类延迟问题，在设备上实施机器学习变得越来越重要。 想象一下图像过滤器如何用于社交网络或基于地理位置的餐厅推荐。 在此类应用中，延迟必须最短才能以最高级别执行。
如上所述，云处理有时可能很慢，开发人员希望延迟接近于零，以便移动应用程序的机器学习功能正常工作。 设备上的机器学习开启了数据处理能力，可以真正将延迟减少到几乎为零。
智能手机制造商和科技市场巨头逐渐开始意识到这一点。 很长一段时间，苹果公司一直是这个行业的领导者，开发 适用于使用其仿生系统的智能手机，该系统实现了神经引擎，有助于直接在设备上驱动神经网络，同时实现 .
苹果还在继续逐步开发 Core ML，即用于移动应用程序的机器学习平台； 在图书馆里 添加了对 GPU 的支持； 谷歌继续为其机器学习平台 ML Kit 添加预加载功能。 使用这些技术，您可以开发能够以闪电般的速度处理数据、消除任何延迟并减少错误数量的应用程序。
准确性和无缝用户体验的结合是移动应用程序开发人员在将机器学习功能引入其应用程序时必须考虑的一个关键指标。 为了保证这样的功能，需要 .
提高安全性和隐私性
边缘计算的另一个不容小觑的巨大好处是它极大地提高了用户的安全和隐私。 保证应用程序中数据的安全和隐私是开发者任务中不可或缺的一部分，特别是考虑到需要遵守GDPR（通用数据保护条例）、新的欧洲法律，这无疑会影响移动开发的实践。
由于数据不需要发送到上游或云端进行处理，因此网络犯罪分子不太可能利用传输阶段产生的任何漏洞； 因此，可以保持数据的完整性。 这使得移动应用程序开发人员更容易遵守 GDPR 数据安全法规。
设备上的机器学习也可以实现去中心化，这与区块链非常相似。 换句话说，黑客对隐藏设备的连接网络发起 DDoS 攻击比对中央服务器进行相同的攻击更困难。 该技术在使用无人机和监控立法合规性时也很有用。
上述苹果的智能手机芯片还有助于提高用户的安全和隐私——例如，它们可以作为Face ID的基础。 iPhone 的这项功能由部署在设备上的神经网络提供支持，该网络从用户面部的所有不同表现形式收集数据。 因此，该技术是一种极其准确和可靠的识别方法。
这些以及更新的人工智能硬件将为更安全的用户与智能手机交互铺平道路。 事实上，开发人员获得了额外的加密层来保护用户数据。
无需互联网连接
撇开延迟问题不谈，将数据发送到云端进行处理并得出结论需要良好的互联网连接。 通常，尤其是在发达国家，没有必要抱怨互联网。 但在连接较差的地区该怎么办呢？ 当机器学习在设备上实现时，神经网络就存在于手机本身上。 因此，开发人员可以在任何设备和任何地方部署该技术，无论连接质量如何。 另外，这种方法导致 .
是可以特别受益于设备上机器学习的行业之一，因为开发人员将能够创建检查生命体征的工具，甚至在没有任何互联网连接的情况下提供机器人手术。 这项技术对于想要在没有互联网连接的情况下访问讲座材料的学生也很有用——例如，在运输隧道中。
最终，设备上的机器学习将为开发人员提供创建工具的工具，使世界各地的用户受益，无论他们的互联网连接情况如何。 考虑到新型智能手机的功能将至少与当前智能手机一样强大，用户将忘记离线使用应用程序时的延迟问题。
降低您的企业成本
设备上的机器学习还可以为您节省一大笔钱，因为您无需支付外部承包商的费用来实施和维护许多解决方案。 如上所述，在许多情况下，您可以不需要云和互联网。
GPU 和特定于 AI 的云服务是可购买的最昂贵的解决方案。 当您在设备上运行模型时，您无需为所有这些集群付费，这要归功于当今越来越多的先进智能手机配备了 .
通过避免设备和云之间发生的大量数据处理的噩梦，您可以节省大量资金； 因此，在设备上实施机器学习解决方案是非常有利可图的。 此外，您还可以节省资金，因为应用程序的带宽要求显着降低。
工程师本身也节省了大量的开发过程，因为他们不必组装和维护额外的云基础设施。 相反，较小的团队可以取得更大的成就。 因此，开发团队的人力资源规划更加有效。
结论
毫无疑问，在 2010 年代，云成为了真正的福音，简化了数据处理。 但高科技正在呈指数级发展，设备上的机器学习可能很快就会成为移动开发领域和物联网领域的事实上的标准。
由于延迟减少、安全性提高、离线功能和总体成本降低，移动开发领域的最大参与者在该技术上投入巨资也就不足为奇了。 移动应用程序开发人员也应该仔细研究它，以跟上时代的步伐。
来源： habr.com